该论文提出了一种基于 Stance Embedding 模型的社交网络分析方法，该模型能够识别用户在不同话题上的立场并将其通过 signed social graphs 表达，同时还能在缺少用户参与数据的情况下进行观点预测，作者使用 Twitter 数据集对该模型进行了验证，证明了 SEM 在话题分析方面的有效性。

Jan, 2022

该研究提出了一种名为 Topic-Post-Comment Graph Convolutional Network (TPC-GCN) 的模型，该模型能够有效地从内容相关的帖子中整合语义信息，保留回复关系建模的结构信息，并同时处理训练集中与主题不同的帖子，该模型可用于社交媒体中有争议的帖子检测任务，并具有显著的普适性。

May, 2020

在本研究中，我们提出了一种立场感知的图神经网络（stance-aware GNN），利用用户立场主动预测信息传播，通过定制四条信息传递路径以及可训练的注意力权重来提供解释性。通过在真实数据集上评估，立场感知的 GNN 在击败基准测试 32.65％之外，并且在没有用户立场的先进 GNN 上超过 4.69％。此外，注意力权重表明相比支持立场，用户的反对立场对其邻居的行为有更大的影响，起到了社交纠正的作用来阻止信息传播。总的来说，我们的研究为平台提供了一种有效的预测模型来对抗错误信息，并强调用户立场在错误信息传播中的影响。

Oct, 2023

Collaborative stance detection framework (CoSD) utilizes contrastive heterogeneous topic graph learning and collaborative signals to enhance stance detection, achieving state-of-the-art performance and explainability.

Apr, 2024

本研究提出了一种称为 UTCNN 的神经网络模型，它结合了用户品味、主题品味和用户评论等非文本信息，可以在社交媒体、论坛和消息板中用于推文立场的分类。实验表明，UTCNN 的性能比其他模型和深度学习模型都要好，可以很好地解决类别不均衡问题。

Nov, 2016

本文引入了一项新的任务，即实体之间（E2E）的立场检测，旨在于能够在研究相互作用时识别实体及其立场；通过引入一种新的生成框架，强化模型，以及进一步引入图编码器来概括实体活动以及周围的外部知识，我们实验后得出在 E2E 立场检测方面，相对较强的效果。此外，我们还发现，E2E 立场检测对于理解媒体引用和立场文化以及推断实体意识形态非常有用。

Nov, 2022

本研究介绍了一种新的基于半监督学习的立场检测方法 SANDS，通过构建深度特征视图和利用社交网络提供的远程监督信号，SANDS 在美国和印度两个不同政治派别下的推文数据上获得了较高的 F1 得分 0.55 和 0.49。

Jan, 2022

本文利用推文和转发关系构建二分图，使用双重信息处理方法来更新用户的表示，并采用双分图神经网络模型 DoubleH，成功地将用户用户地位分类，证明了 DoubleH 方法在利用信息、稳定性和效率等方面的优越性。

Jan, 2023

该研究旨在识别表达对话话题立场的言语中的赞成和反对。通过利用背景信息和推理，该研究提出了一种构思性对比网络，它可以在许多独立语境下的立场检测中取得更好的性能表现。

Jun, 2019

本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

Aug, 2019